本篇论文提出了一个基于深度学习的图像纠正技术，能够有效去除近距离人像照片中透视失真等伪像，同时还能自动推断遮挡的面部特征，该方法不需要先配合三维面部模型，并且可以显著提高人脸识别和三维重建的准确度，实现单幅肖像图像的相机标定。

May, 2019

提出一种半监督网络用于广角肖像矫正，利用一致性机制和多尺度 Swin Transformer 块构建 MS-Unet 网络，同时使用标记和未标记数据进行训练，实现了比现有方法更优异的结果。

Sep, 2021

本文提出了一个计算方法，通过使用神经网络去除外部阴影并软化面部阴影，同时添加合成填充光线，从而使拍摄不佳的人像照片得以以逼真和易于控制的方式进行重新照明。

May, 2020

本文提出了一种名为 SUPER 的新方法，用于消除自拍照片中的失真和调整头部姿势，实现了更真实的自拍照片编辑。通过 3D GAN 反向传播优化相机参数和面部隐藏编码，生成一张图像。此外，估计获得的隐藏编码的深度，创建深度感应的 3D 网格，并使用更新的相机参数进行渲染，获得一个形变的自画像。最后，通过基于可见性的融合，重新投影可见区域，并使用生成模型恢复被遮挡的部分。对自拍照片失真基准和自行收集的头部旋转数据集（HeRo）的实验表明，SUPER 在定性和定量上均优于以前的方法，为实现逼真的自拍照片编辑开辟了新的可能性。

Jun, 2024

本文提出了一种新的深度神经网络架构，采用粗到细的图像变形和像素强度校正的方式，可以处理人脸重定向问题的特定实例，经过数值比较和用户研究表明可行。该架构能够在前向过程中处理所有操作，并以端到端的方式联合学习所有操作的参数。在学习之后，该神经网络能够合成具有操作后视线的图像，而重定向角度可从某一范围内自由选择提供给网络作为输入。

Jul, 2016

提出了一种基于深度学习的缝合模型，采用弱监督学习机制训练，实现对多个鱼眼图像的 360 度输出，通过色彩一致性校正、畸变校正和图像融合实现，其训练采用感知损失和 SSIM 损失函数，在两个真实的缝合数据集上进行了有效性验证。

Sep, 2022

本文提出了一种新的人像图像编辑方法，采用不对称条件 GAN 架构，支持几何、颜色、光和阴影的细粒度编辑。通过向生成器提供可以直接由用户编辑的条件输入来实现编辑，例如边缘图、颜色板、滑块和蒙版。该方法具有较好的编辑效果，并且支持几何、颜色、阴影、光的多种编辑方式，同时也支持从手绘草图到图像的转换和颜色转换等任务。

Apr, 2022

提出了一种用于肖像图像质量评估的双分支网络，通过使用两个主干网络（Swin Transformer-B）从整个肖像图像和剪裁出的脸部图像中提取质量感知特征，利用 LIQE 模型捕获质量感知和场景特定特征作为辅助特征，通过多感知层回归它们为质量分数，通过学习排序方式使用保真度损失训练模型，实验证明了该模型在肖像图像质量评估数据集上具有优越性能。

May, 2024

该论文回顾了 NTIRE 2024 人像质量评估挑战，重点介绍了提出的解决方案和结果，该挑战旨在获得能够估计真实人像照片的感知质量的高效深度神经网络，并能够推广到各种场景和光照条件（室内、室外、低光源）、运动、模糊和其他具有挑战性的条件。挑战活动中有 140 个参与者注册，其中 35 人在挑战期间提交了结果。本文展示了排名前 5 个提交结果的性能，作为目前人像质量评估的最新进展。

Apr, 2024

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017